定义

基于模型的遥测（MBT）是一种先进的监控技术，它超越了简单的阈值警报。MBT 不仅仅是报告原始指标（如 CPU 使用率或延迟），而是整合机器学习模型来理解系统在各种条件下的预期行为。它利用这些学习到的模型来预测未来状态，并在问题影响用户之前识别出表明潜在问题的偏差。

为什么它很重要

在现代、复杂和分布式系统中，传统的静态监控会失效，因为正常的运行行为是动态的。延迟的突然激增在高峰负载期间可能是正常的，但 MBT 可以将这种情况与表明服务质量下降的异常激增区分开来。它将监控从被动的“救火”转变为主动的风险管理。

工作原理

MBT 涉及几个关键阶段。首先，收集历史遥测数据。其次，使用 ML 算法（如时间序列预测或深度学习模型）对这些数据进行训练，以建立“正常”的基线模型。第三，将实时传入的遥测数据输入到这个训练好的模型中。然后，模型会输出一个关于该指标应该是什么的预测。任何预测与实际观测之间的显著偏差都会触发一个智能警报。

常见用例

MBT 在多个领域都具有很高的价值：

• 基础设施监控： 在硬件故障或资源耗尽发生之前进行预测。
• 应用性能监控 (APM)： 检测到未达到硬性阈值但表明性能缓慢下降的细微性能回归。
• ML 模型漂移检测： 监控已部署模型的输入数据分布，以确保它们随时间保持准确性。
• 网络流量分析： 识别指示安全威胁或拥堵的细微模式。

主要优势

MBT 的主要优势在于其减少警报疲劳的能力。通过理解上下文，它可以过滤掉噪音，确保运营团队只收到真正代表偏离预期健康行为的事件警报。这带来了更快的平均解决时间 (MTTR) 和更高的系统正常运行时间。

挑战

实施 MBT 并非易事。它需要高质量、带标签的历史数据来进行有效的模型训练。此外，模型本身需要随着底层系统的演变（概念漂移）进行持续维护和再训练。初始设置的复杂性和计算开销也是重要的考虑因素。

相关概念

MBT 与可观测性（Observability）密切相关，可观测性是更广泛的、用于通过仪器化系统来理解内部状态的实践。它还与预测性维护和 AIOps 重叠，后者是将人工智能应用于自动化 IT 操作的领域。